Understanding the needs and experiences of Asian Female International graduate students
Notice bibliographique
Résumé
The uniqueness of being female, international, and a graduate student poses its own challenges that warrant special attention and efforts from institutions and their leaders. Previous studies have addressed issues and challenges faced by international students, including financial stress, homesickness, racism, discrimination, barriers to care, and mental health issues such as depression and anxiety (Anandavalli et al., 2021; Kawamoto et al., 2017; King et al., 2023; Lee and Rice, 2007). However, research on understanding these students’ experiences must take into account the local context, as well as challenges specific to intersectional identities. This understanding can then inform programming designed to meet the needs of this group. The current study used a multiple case study design to examine Asian female international graduate students’ overall experiences, needs, challenges, and barriers to accessing relevant resources, programs, and services. Body mapping exercises and semi-structured interviews were conducted with 10 participants. Body mapping is the process of creating a life size human body image using art-based techniques such as painting and drawing to represent aspects of people’s lives and the worlds they live in. Data collected from the body mapping exercises and semi structured interviews were analyzed using reflective thematic analysis, and themes and codes were identified. Data were organized by major themes discussed, most recurrent themes followed by sub themes which were supported by direct quotes from participants. Body maps were analyzed individually, focusing on descriptive details as well as researcher understanding from interviews and narratives provided by participants. The study identified challenges and provided recommendations to enhance existing programs and services as well as preventative measures that can address the unique needs of this group.Keywords: intersectionality, higher education, resources, well-being
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,005 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».